使用 ENVI 工具创建深度学习标注图像
18979 给本文评分：
4.8
使用 ENVI 工具创建深度学习标注图像
Jason Wolfe 2019年4月22日，星期一
随着 ENVI® 深度学习模块 的发布，遥感用户从图像中提取特征的过程变得简单得多。正如我在上一篇 博客文章 中所讨论的，这种简单性部分源于能够使用 ENVI 的预处理和光谱工具来创建标注数据集。既然可以部分自动化标注过程，为何还要花费无数时间围绕示例特征繁琐地绘制感兴趣区（ROI）呢？在本文中，我将展示一个示例：我使用波段比值图像创建标注数据集，用于训练和验证深度学习模型，以在航空影像中寻找人造（"建成区"）特征。
我从 USGS EarthExplorer 网站下载了 16 幅相邻的美国国家农业影像计划（NAIP）图像。这些是 2016 年 10 月获取的德克萨斯州圣安东尼奥北部区域的 1 米四波段图像。我使用 ENVI 无缝镶嵌 工具从这些图像中快速创建了地理参考镶嵌图。然后我从镶嵌图中创建了两个空间子集：一个用于训练，另一个用于验证深度学习模型是否正确学习了我感兴趣的特征。我的最终目标是从 NAIP 镶嵌图中提取所有的道路、受扰动的土地、建筑物以及其他表明人类发展的特征。
通常，我会在训练和验证图像中的所有建成区特征上绘制多折线和多边形 ROI。但是，我尝试了一种更快的方法：
1. 创建一个蓝光/近红外波段比值图像，以突出显示这些特征，同时抑制植被的光谱特征。
2. 使用 ENVI 工具箱中的 运行任务 > 线性百分比拉伸栅格 对比值图像应用 5% 的线性拉伸。 这为建成区特征和背景之间提供了更强的对比度。
3. 从拉伸后的图像创建一个 ROI 阈值图层，其中高于 200 的像素值以红色高亮显示。
4. 使用 ENVI 工具箱中的 运行任务 > 将 ROI 转换为分类 任务，将结果转换为分类图像。
该结果为识别训练和验证图像中的特征像素提供了一个良好的起点，而无需任何手动绘制或标注。结果并不完美，因此需要进行一些进一步但最少的编辑。我使用 编辑分类图像 工具去除了错误分类的像素，例如阴影和水体，并向 "建成区" 类添加了一些额外的像素。
5. 使用 深度学习 > 从分类构建标注栅格 工具创建用于训练深度学习模型的标注栅格。
步骤 1-5 的整个过程仅用了大约 20 分钟，并且还有一个额外的好处，即定义了建成区特征的 形状，而不仅仅是标记它们的位置。在我的配备 8 GB 显卡的系统上，训练一个深度学习模型来识别这些特征又花了 30 分钟。然后，我使用训练好的模型对整个 NAIP 镶嵌图进行分类，这仅花了几分钟。以下是生成的类别激活图像的示例。模型学会了识别几乎所有的建成区特征，如下图中白色部分所示：
以下是 NAIP 镶嵌图样本与相应的类别激活图像之间的比较：
对类别激活图像应用栅格彩色切片，可以显示属于 "建成区" 类概率最高（红橙色）的区域。可以训练和应用类似的模型，从覆盖广阔地理区域的图像中提取屋顶和不透水表面。
总之，ENVI 中种类繁多的图像处理工具可以帮助加速深度学习的数据准备过程。一个例子是使用 自适应相干估计器 或 匹配滤波器 等目标检测工具来标注高光谱图像中感兴趣的特征。其他可以有效突出图像中地物的光谱工具包括 光谱指数、主成分分析 和 维度扩展。